Recensioni e Dettagli del Prodotto Azure Databricks

What I like most about Azure Databricks is how it makes working with data feel straightforward without me having to overthink the setup.

From my experience, I mostly use it for querying, transforming, and validating data, and it handles large datasets really well without slowing me down. I don’t have to worry too much about performance — I just write what I need, and it runs.

I also like the flexibility of switching between SQL and PySpark depending on what I’m doing. It makes it easier to explore data and troubleshoot issues quickly without being stuck in one approach.

The notebook environment is another big plus for me. I use it to organize my queries and logic in one place, so I can always go back, adjust things, or reuse parts without starting from scratch.

Overall, it just makes my workflow cleaner and more efficient, especially when I’m working with large volumes of data and need quick, reliable results. Recensione raccolta e ospitata su G2.com.

What I dislike about Azure Databricks, based on how I’ve used it, is mostly tied to day-to-day usability.

When I’m working with files (especially around /dbfs), I sometimes run into seemingly random errors that aren’t very clear. It takes extra time to figure out what actually went wrong, which is frustrating when I’m just trying to get quick results.

Debugging is another area that can slow me down. If a query or transformation doesn’t behave as expected, it isn’t always obvious where the issue is, so I end up spending more time tracing and narrowing things down than I’d like.

The notebook environment is useful, but as a single notebook grows, it can get messy and harder to manage. If I’m not careful, it’s easy to lose structure and organization.

Cost is also something I’ve had to keep an eye on. Even when I’m only testing or running queries, usage can add up quickly if resources aren’t managed properly.

Overall, it works well, but there are still moments where it feels less intuitive than it should—especially when something goes wrong. Recensione raccolta e ospitata su G2.com.

Utilizzo Azure Databricks per costruire e gestire pipeline di dati. Fornisce tutti i servizi necessari in un unico posto, come l'ingegneria dei dati, SQL e funzionalità di ML. Mi aiuta a elaborare semplicemente dati su larga scala per progetti aziendali, rendendo Azure Databricks uno strumento prezioso per me. Le funzionalità SQL rendono facile interrogare e analizzare i dati rapidamente, e le capacità di ML supportano la sperimentazione con modelli sulla stessa piattaforma. L'impostazione iniziale è molto semplice; devi solo creare una risorsa sul portale Azure inserendo il gruppo di risorse e il nome dello spazio di lavoro Databricks con il resto delle impostazioni predefinite. Recensione raccolta e ospitata su G2.com.

Ottimizzazione dei costi: può essere ulteriormente ottimizzata fornendo di default un'unica dashboard di monitoraggio dei costi per gli amministratori dello spazio di lavoro, poiché hanno questa funzione di budget solo in anteprima per la console dell'account. Recensione raccolta e ospitata su G2.com.

Quello che mi piace di più di Azure Databricks è come semplifica l'elaborazione di dati su larga scala pur offrendo flessibilità agli ingegneri. Dalla mia esperienza, il vantaggio più grande è la piattaforma unificata che mi permette di fare data engineering, trasformazioni, ottimizzazione delle prestazioni e persino analisi in un unico posto senza dover passare tra più strumenti. L'integrazione con Spark è senza soluzione di continuità, e cose come i cluster auto-scalabili, la pianificazione dei lavori e la collaborazione sui notebook rendono il lavoro quotidiano molto più efficiente. Apprezzo anche funzionalità come Delta Lake che gestisce le transazioni ACID, l'evoluzione dello schema e il time travel direttamente sui data lake, rendendo le pipeline di produzione molto più affidabili. Inoltre, ottimizzazioni come l'Adaptive Query Execution, l'auto-ottimizzazione, lo Z-ordering e la memorizzazione nella cache aiutano davvero quando si lavora con grandi set di dati. Un'altra cosa che mi piace è quanto bene si integra con l'ecosistema Azure, che si tratti di ADLS, ADF, Key Vault o Unity Catalog per la governance. Riduce molto il sovraccarico di configurazione e rende le distribuzioni più fluide tra gli ambienti. In generale, mi permette di concentrarmi di più sulla risoluzione dei problemi di dati e sull'ottimizzazione delle prestazioni piuttosto che preoccuparmi della gestione dell'infrastruttura. Recensione raccolta e ospitata su G2.com.

Una cosa che non mi piace di Azure Databricks è che la gestione dei costi può diventare complicata se i cluster e i lavori non vengono monitorati attentamente. Poiché è così facile avviare cluster ed eseguire carichi di lavoro pesanti, i costi possono aumentare rapidamente, specialmente con l'auto-scaling o con più lavori paralleli in esecuzione. Quindi richiede una buona governance e un monitoraggio adeguato. Un altro aspetto è il debugging e la risoluzione dei problemi. Sebbene i notebook siano ottimi per lo sviluppo, il debugging dei fallimenti dei lavori in produzione, specialmente per problemi intermittenti di Spark o dell'infrastruttura, può a volte richiedere tempo. I log sono disponibili, ma tracciare la causa esatta tra eventi del cluster, Spark UI e esecuzioni dei lavori non è sempre semplice. Ho anche notato che gestire CI/CD e i deployment (come spostare notebook, workflow, configurazioni tra ambienti) non è così fluido di default rispetto ai repository di codice tradizionali. Sta migliorando con Databricks Asset Bundles e Repos, ma richiede ancora un'attenta configurazione. Detto ciò, la maggior parte di questi aspetti è gestibile con le migliori pratiche: controlli dei costi, monitoraggio e processi DevOps adeguati. Recensione raccolta e ospitata su G2.com.

Lakebase e gateway API. Usiamo Lakebase come nostro database principale, e ha capacità molto forti per carichi di lavoro AI. È anche facile e flessibile da usare perché è un database Postgres. Penso che l'aggiunta di database autoscalabili sia un miglioramento davvero buono; invece di avere Unità di Calcolo statiche assegnate a ciascun database, ora possono scalare automaticamente. Mi piace anche che con l'autoscaling si possa impostare sia il CU minimo che massimo, il che ti dà più controllo pur mantenendo le cose flessibili. Recensione raccolta e ospitata su G2.com.

Il prezzo non è ancora molto chiaro, le cose sono ancora misurate in unità di calcolo, il che è davvero difficile da comprendere per il prezzo. Recensione raccolta e ospitata su G2.com.

Ciò che mi piace di più di Azure Databricks è come si integra perfettamente con l'ecosistema Azure — specialmente con servizi come Data Lake, Synapse e Data Factory. Offre un eccellente equilibrio tra facilità d'uso e capacità avanzate, permettendo sia agli utenti tecnici che non tecnici di collaborare in un unico ambiente. I notebook sono intuitivi e supportano più linguaggi come SQL, Python e R, il che rende l'implementazione e la sperimentazione fluide. Lo utilizzo frequentemente per costruire e gestire pipeline di dati, eseguire trasformazioni e sviluppare modelli di machine learning. La scalabilità della piattaforma, i cluster auto-scalabili e le funzionalità gestite di Delta Lake rendono efficiente la gestione di grandi set di dati. Il supporto clienti è generalmente utile e la piattaforma continua ad evolversi con aggiornamenti frequenti che aggiungono ancora più funzionalità utili. Recensione raccolta e ospitata su G2.com.

Sebbene Azure Databricks sia potente, ci sono alcune aree che potrebbero essere migliorate. La configurazione iniziale e l'impostazione dell'ambiente possono essere leggermente complesse per i nuovi utenti, e i tempi di avvio dei cluster possono talvolta essere lenti. La struttura dei prezzi richiede anche un attento monitoraggio: i costi possono aumentare rapidamente se i cluster non sono ottimizzati o terminati automaticamente in modo corretto. Anche se l'interfaccia è robusta, potrebbe essere più adatta ai principianti, e il controllo delle versioni dei notebook potrebbe essere più fluido. I tempi di risposta del supporto clienti possono variare a seconda della gravità del problema. Tuttavia, una volta che ci si abitua all'ambiente, è una piattaforma altamente capace e affidabile per i carichi di lavoro e le analisi dei dati quotidiani. Recensione raccolta e ospitata su G2.com.

La piattaforma gestisce l'elaborazione di dati su larga scala con un'impressionante fluidità, e la sua interfaccia diventa piuttosto intuitiva dopo una breve curva di apprendimento. Integrarla con altri servizi Azure è semplice, il che accelera notevolmente il processo di implementazione. Apprezzo la varietà di funzionalità disponibili per ETL e analisi, che ci consente di utilizzarla regolarmente per una gamma di carichi di lavoro diversi. Quando sorgono problemi, la documentazione e le risorse di supporto sono generalmente sufficienti per aiutare a risolvere rapidamente le questioni. Recensione raccolta e ospitata su G2.com.

A volte, la piattaforma può sembrare un po' complicata per i nuovi arrivati, e potrebbe volerci del tempo prima che i cluster si avviino. Gestire i costi non è sempre semplice, e alcune funzionalità richiedono configurazioni aggiuntive. Sebbene il supporto sia generalmente utile, i tempi di risposta possono occasionalmente essere lenti. Recensione raccolta e ospitata su G2.com.

Utilizzo Azure Databricks per l'elaborazione dei dati, ETL e analisi su grandi set di dati. Mi piace la sua scalabilità e la facile collaborazione in un'unica piattaforma unificata. Apprezzo le sue prestazioni veloci, l'integrazione senza soluzione di continuità con altri servizi Azure e i notebook facili da usare. L'installazione iniziale è stata molto semplice, soprattutto con le linee guida fornite sul sito web. Recensione raccolta e ospitata su G2.com.

Gestione dei costi, tempi di avvio rapidi del cluster e un'interfaccia utente più intuitiva per i principianti. Recensione raccolta e ospitata su G2.com.

Azure Databricks è una piattaforma eccellente che offre un ambiente robusto per interrogare grandi set di dati tramite Apache Spark. Apprezzo particolarmente quanto sia semplice integrarsi con l'account di archiviazione Azure e i notebook, rendendo l'analisi dei big data efficiente e scalabile. Il controllo delle versioni integrato in Databricks, combinato con un'integrazione fluida con GitHub, rende facile la collaborazione e la gestione del codice. È una delle migliori configurazioni con cui ho lavorato. Recensione raccolta e ospitata su G2.com.

La configurazione e l'impostazione del cluster a volte sono confuse e richiedono tempo. Recensione raccolta e ospitata su G2.com.

Azure Databricks ci ha fornito una piattaforma unificata per eseguire i nostri carichi di lavoro Spark su Azure Data Lake Storage Gen2. Abbiamo potuto migrare i nostri dati e pipeline Hadoop on-premise nel cloud con un minimo di reingegnerizzazione. I suoi cluster gestiti, l'autoscaling, i notebook e l'integrazione stretta con i servizi Azure (ADLS, Key Vault, ADF) hanno risparmiato molto sforzo in termini di infrastruttura e manutenzione. I notebook PySpark hanno reso lo sviluppo e il debug molto più semplici rispetto alla nostra configurazione precedente. Recensione raccolta e ospitata su G2.com.

I tempi di avvio dei cluster possono ancora essere lenti per test rapidi. La tariffazione è basata sul consumo e può diventare costosa se i cluster vengono lasciati in esecuzione o sono dimensionati in modo inadeguato. Alcune funzionalità aziendali (ad esempio, sicurezza dettagliata, monitoraggio) richiedono una configurazione aggiuntiva. E rispetto a Hadoop on-premise, c'è una curva di apprendimento per le autorizzazioni dello spazio di lavoro e l'automazione DevOps. Recensione raccolta e ospitata su G2.com.

Mi piace molto il sistema Jupyter notebook e la genealogia di Unity Catalog Recensione raccolta e ospitata su G2.com.

Genie - Assistente Ai può avere una migliore accuratezza Recensione raccolta e ospitata su G2.com.